آزمایش یک استراتژی معاملاتی مبتنی بر نوسانات با استفاده از تخصیص دارایی اصلاح شده رفتاری

عملکرد استراتژی های معاملاتی مبتنی بر نوسانات ، از جمله عوامل دیگر ، به انتخاب دارایی و ترجیح ریسک مرتبط بستگی دارد. برای این مطالعه ، ما یک بررسی نماینده برای آلمان انجام دادیم تا ترجیحات دارایی افراد با ترجیح کم خطر و در معرض خطر را تعیین کنیم. این دو نوع تخصیص دارایی اصلاح شده رفتاری (در معرض خطر پایین و در معرض خطر بالاتر) پایه و اساس آزمایش استراتژی تجارت مبتنی بر نوسانات ما با سطح خطر و ضرر متفاوت را تشکیل می دهند. این آزمایشات بر اساس داده های قیمت دارایی تاریخی طی یک دوره تقریباً یازده سال گذشته است. هدف این بود که با تغییر عوامل مختلفی از جمله تخصیص دارایی اولیه ، جابجایی دارایی و سطح ریسک و ضرر اساسی استراتژی تجارت ، از نظر تاریخی از بازار گسترده بهتر عمل کنیم. ما با استفاده از تخصیص دارایی اولیه خطرناک و استفاده از استراتژی معاملاتی خود با سطح ریسک و ضرر 10 ٪ ، به این هدف می رسیم. در این حالت ، بازده تاریخی 326 ٪ می تواند با استراتژی تجارت ما در طی دوره مورد بررسی حاصل شود.

1. معرفی

دستیابی به بازده بهتر از بازار گسترده با سبد یا استراتژی شخصی خود احتمالاً یکی از اهداف مهم سرمایه گذاران خصوصی و نهادی است. در عین حال ، این یکی از دشوارترین کارها است ، زیرا بازارهای مالی به طور دائم تغییر می کنند و قیمت دارایی را نمی توان پیش بینی کرد. یکی از بینش های مهم که برای ایجاد یک استراتژی تجاری موفق مهم است این است که بازده دارایی با یکدیگر ارتباط ندارد. همبستگی بین بازده همان سهام همیشه نزدیک به صفر است (FAMA 1970 ، ص 383). بنابراین نمی تواند به عنوان مبنای قابل توجهی برای استراتژی ها و سیستم های تجاری سودآور استفاده شود.

این سؤال را مطرح می کند که بر اساس چه استراتژی های تجاری باید پایه گذاری شود. در حال حاضر در سال 1963 ، ماندلبروت دریافت که مراحل بازار با نوسانات بالا معمولاً توسط مراحل بازار با نوسانات بالا دنبال می شود. نشانه نوسانات زیاد یا پایین بی ربط است (Mandelbrot 1963). این یافته نشان می دهد که زمان تعادل مجدد نمونه کارها از یک استراتژی تجاری ، تأثیر تعیین کننده ای در بازده نمونه کارها دارد. بنابراین ، یک استراتژی معاملاتی در این مطالعه برنامه ریزی شده است که هر 20 روز یک بار دارایی ها را تغییر می دهد. این تعادل مجدد با استفاده از بازده های شبیه سازی شده آینده دارایی ها بر اساس نوسانات گذشته سه سال انجام می شود. براساس تعریف ما ، نوسانات سه سال گذشته نمونه کارها چند دارایی نشان دهنده نوسانات بلند مدت است که برای یک سرمایه گذار بلند مدت گرا مناسب است. از آنجا که بازده پایین امروز تا حدی با افزایش بازده مورد انتظار در آینده جبران می شود (کمپبل و شیلر 1988 ؛ پوتربا و سامرز 1988) ، بدیهی است که نوسانات بازار سهام کوتاه مدت یک اندازه گیری خطر مناسب برای مدت طولانی نیستترم سرمایه گذار (Moreira and Muir 2017).

کار قبلی بر مبانی ریاضی یک استراتژی تجاری مبتنی بر نوسانات ، مانند استفاده از مدل های Vine Copula برای مدل سازی ساختارهای وابستگی متقابل بین دارایی های مختلف متمرکز شده است (Fink et al. 2017). علاوه بر این ، استراتژی های نمونه کارها مبتنی بر نوسانات قبلاً در تغییرات مختلف آزمایش شده اند ، حتی می دانند که موفقیت استراتژی های معاملاتی مبتنی بر نوسانات با هزینه های معامله کاهش نمی یابد (Moreira and Muir 2017). علاوه بر این ، بررسی شده است که چگونه می توان با توجه به مالیات های متحمل شده ، یک استراتژی پرتفوی کمتری را بهینه کرد ، در حالی که در عین حال عملکرد خوب (بازده بالا) یک استراتژی تجاری مبتنی بر نوسانات را حفظ می کند (ژانگ 2022). علاوه بر این ، تحقیقات فعلی نشان می دهد که شاخص های نوسانات حافظه بلند مدت دارند (غوش و همکاران 2022). این نشان می دهد که استفاده از مدل های پیش بینی بر اساس نوسانات گذشته برای پیش بینی یا شبیه سازی قیمت های آینده محصولات مالی می تواند به یک استراتژی تجاری سودآور منجر شود. علاوه بر این ، VIX برای استراتژی های معاملاتی مبتنی بر نوسانات و پیش بینی نوسانات در چند مطالعه استفاده می شود (Ballestra et al. 2019 ؛ Wang et al. 2022). محققان بر پیش بینی VIX بر اساس نوسانات ضمنی متمرکز شده اند. تاکنون ، چند مطالعه با سودآوری استراتژی های معاملاتی بر اساس پیش بینی های VIX انجام شده است. شواهدی وجود دارد که نشان می دهد VIX قابل پیش بینی است ، اما در عین حال ، استفاده از این کار برای یک استراتژی تجاری سودآور دشوار است ، زیرا VIX فقط از طریق مشتقات قابل معامله است (Ballestra et al. 2019). در این زمینه ، Ballestra و همکاران. در سال 2019 ، پیش بینی تغییرات جهت دار-آینده های VIX (بازده های باز و بسته های VIX) با استفاده از یک شبکه عصبی منجر به نتایج قابل قبول با 65. 8 ٪ از پیش بینی های صحیح تغییرات جهت در روزهای معاملاتی می شود.(وانگ و همکاران 2022) بر بررسی همبستگی بین VIX S& P500 و VIX از پنج شرکت بزرگ آمریکایی در سال 2022 متمرکز شد و توانستند این موضوع را در مطالعه خود تأیید کنند.

مطالعه ما در درجه اول به پیوند تحقیقاتی قبلاً ناشناخته بین امور مالی رفتاری و نظریه نمونه کارها متمرکز است. علاوه بر این ، ما رویکرد متفاوتی برای شبیه سازی بازده های آینده بر اساس پیش بینی نوسانات نسبت به تحقیقات فعلی در مورد پیش بینی نوسانات و استراتژی های معاملاتی مبتنی بر نوسانات ذکر شده در بالا بررسی می کنیم. برای این کار ، ما از یافته های کار قبلی ، به عنوان مثال ، در مدل های Vine Copula ، برای مدل سازی ساختارهای وابستگی دارایی ها استفاده می کنیم (Fink et al. 2017). این امر به ویژه مهم است که دریابیم که آیا یک استراتژی تجاری مبتنی بر نوسانات اعمال شده برای وزن های اولیه دارایی اصلاح شده رفتاری ، که منعکس کننده ترجیحات دارایی و نگرش ریسک یک بخش گسترده از جمعیت است ، می تواند بازده بلند مدت بهتری نسبت به بازار گسترده داشته باشد. ما استراتژی را در شرایط مختلف ، مانند سطح ریسک و ضرر متفاوت و رویکردهای مختلف برای جابجایی دارایی آزمایش کردیم.

رویکرد استفاده از یک استراتژی معاملاتی برای تخصیص دارایی اصلاح شده رفتاری با مدلهای استاندارد نظریه نمونه کارها متفاوت است. نظریه مدرن نمونه کارها (MPT) (Markowitz 1952) اظهار داشت که یک سرمایه گذار باید ضمن متنوع سازی نمونه کارها خود ، بازده مورد انتظار خود را به حداکثر برساند. بر این اساس ، سرمایه گذار باید سرمایه موجود خود را در بین آن دارایی هایی که منجر به بازده حداکثر می شود ، توزیع کند. بر خلاف MPT ، این مطالعه از ترجیحات و نگرش خطر جمعیت گسترده برای تخصیص وزن دارایی اولیه استفاده می کند. تفاوت این است که تخصیص دارایی اولیه مبتنی بر رفتاری است و ترجیحات و نظرات جمعیت گسترده را منعکس می کند. بنابراین ، حداکثر بازده مورد انتظار دارایی مربوطه هنگام تعیین تخصیص دارایی اولیه در این مورد از اهمیت جزئی برخوردار است. روش دقیق برای تعیین تخصیص دارایی اصلاح شده رفتاری را می توان در فصل 2 یافت. در حالی که MPT اغلب با یک استراتژی خرید و نگهدارنده همراه است ، استراتژی ما هر 20 روز معاملاتی دارایی ها را مجدداً تنظیم می کند. با این وجود ، استراتژی معاملاتی که در این مطالعه برنامه ریزی شده است نیز در مورد حداکثر رساندن بازده نمونه کارها است. این کار در طول انتخاب وزن دارایی اولیه انجام نمی شود ، اما در حالی که انتخاب تخصیص دارایی جدید در هنگام تعادل مجدد را انتخاب می کنید.

هدف از این رویکرد دستیابی به بازده بهتر در طولانی مدت با استفاده از استراتژی معاملاتی مبتنی بر نوسانات ما در ترکیب با تخصیص دارایی اصلاح شده رفتاری و در نتیجه عملکرد بهتر از بازار گسترده است ، که در این مقاله توسط S& P500 نماد است. بشر

2. تعیین تخصیص دارایی اصلاح شده رفتاری

برای شناسایی دارایی و ترجیحات ریسک یک بخش نماینده از جمعیت آلمان ، لازم بود یک نظرسنجی انجام شود که در آن تحمل ریسک شرکت کنندگان و دارایی های مورد نظر آنها ثبت شود. علاوه بر این ، از این نظرسنجی برای اثبات چندین اکتشافی از امور مالی رفتاری در مورد تأثیر سرمایه گذاران خصوصی در سرمایه گذاری سرمایه استفاده شده است ، اما این بخشی از این کار نیست.

2. 1طرح بررسی

ما یک بررسی آنلاین را در دو مرحله با مجموع 263 شرکت کننده انجام دادیم. در هر دو مورد ، پرسشنامه برنامه ریزی شده و از طریق Limesurvey Tool Survey Online در دسترس شرکت کنندگان نظرسنجی قرار گرفته است. ساختار و محتوای این دو نظرسنجی یکسان است. علاوه بر این ، پرسشنامه به گونه ای طراحی شده است که ممتنع برای هیچ یک از سؤالات امکان پذیر نیست.

این نظرسنجی با دو گروه آزمایش انجام شد. تعداد شرکت کننده هایی که نظرسنجی مربوطه را انجام داده اند به شرح زیر است:

اولین نظرسنجی در دوره از 3 ژانویه 2022 ، تا 12 ژانویه 2022 انجام شد. شرکت کنندگان در اولین نظرسنجی بر اساس سن و تحصیلات آنها انتخاب شدند تا این نظرسنجی منعکس کننده جمعیت عمومی باشد. بررسی دوم از 11 ژانویه 2022 آغاز شد و در 19 ژانویه 2022 به پایان رسید. جبران موقتی در اجرای این دو نظرسنجی با مشکلات زمان سازمانی در ارسال نظرسنجی به نمونه 3601 دانشجو و کارمندان دانشگاه علوم کاربردی مونیخ توضیح داده شده است.. 1

2. 2ارزیابی داده ها

در هر دو مورد ، مشارکت مکرر با استفاده از کوکی ها در سیستم Limesurvey حذف شد. علاوه بر این ، این مطالعه بدون تکرار اندازه گیری انجام شده است. نتایج حاصل از بررسی اول می تواند نماینده در نظر گرفته شود ، زیرا ، طبق نتایج ، ساختار سنی و سطح آموزشی شرکت کنندگان در نظرسنجی ناهمگن است و منعکس کننده توده گسترده جمعیت است. سن و ساختار آموزشی دقیق شرکت کنندگان در اولین نظرسنجی را می توان در پیوست A یافت.

نتایج بررسی دوم تقریباً منحصراً از پاسخ دانشجویان در دانشگاه علوم کاربردی مونیخ تشکیل شده است. اگرچه تعداد بیشتری از شرکت کنندگان نسبت به اولین بررسی حاصل شد ، این مطالعه کمتر نماینده رفتار جمعیت است و بنابراین به عنوان یک گروه کنترل استفاده می شود.

2. 3تجزیه و تحلیل ترجیحات ریسک و دارایی های ارجح

لطفاً توجه داشته باشید که تمام نتایج زیر بر اساس داده های جمع آوری شده در نظرسنجی اول است. ترجیحات ریسک مورد نظر شرکت کنندگان در نظرسنجی ، بر اساس اظهارات خود با توجه به ترجیح خطر آنها ، در جدول 1 نشان داده شده است.

سازگار با بوگان و همکاران.(2013) ، جدول 1 نشان می دهد که افراد زن در نمونه خود را نسبت به افراد مرد نسبت به افراد خطرناک تر توصیف می کنند. همبستگی 29/0-2936 بین متغیرهای جنسیت و نگرش ریسک نشان می دهد که شرکت کنندگان مرد در این نظرسنجی خود را نسبت به شرکت کنندگان زن تحمل ریسک تر می دانند.

در این نظرسنجی ، از شرکت کنندگان در مورد دارایی های مورد نظر خود با انتخاب های متعدد ممکن سؤال شد. دارایی های زیر برای انتخاب در دسترس بود: سهام ، اوراق قرضه ، صندوق ها ، ETF ها ، کالاها و املاک و مستغلات. در ارزیابی دارایی های ارجح ، به منظور ایجاد وزن دارایی های اولیه برای آزمایش استراتژی تجارت ، تمایز بین شرکت کنندگان در معرض خطر کم خطر (ریسک پذیر) و در معرض خطر بالاتر ایجاد شد. پاسخ به ترجیحات دارایی شرکت کنندگان در معرض خطر خلاصه شد و نسبت دارایی مربوطه در وزن کلی دارایی اولیه بر اساس این مبلغ تعیین می شود. نتیجه شرکت کنندگان در معرض خطر را می توان در جدول 2 مشاهده کرد. در مجموع 107 پاسخ داده شد.

با استفاده از این داده های جمع آوری شده تجربی ، سهم اولیه مربوط به دارایی در سبد کل کم خطر محاسبه شد. نتیجه در شکل 1 نشان داده شده است.

روش تعیین وزن اولیه نمونه کارها با ریسک بالاتر با روشی که در بالا برای نمونه کارها در معرض خطر پایین توضیح داده شد یکسان است. تعداد آرا برای هر دارایی توسط شرکت کنندگان در معرض خطر در جدول 3 یافت می شود. در مجموع 36 پاسخ داده شد.

با استفاده از این داده های جمع آوری شده تجربی ، مانند نمونه کارها در معرض خطر پایین ، وزن اولیه دارایی ها در سبد با خطر بالاتر مشخص شد. نتایج را می توان در شکل 2 یافت.

پس از آن ، ما محصولات دارایی های مربوطه را برای آزمایش استراتژی با استفاده از داده های قیمت تاریخی واقعی دارایی ها انتخاب می کنیم. اوراق بهادار شامل شش دارایی ذکر شده در بالا است و توسط یک دارایی هفتم ، "پول نقد" تکمیل شده است. مانند واقعیت ، این امکان وجود دارد که این استراتژی بخشی از دارایی ها را به صورت نقدی نگه دارد. این امر به ویژه برای تعادل در دارایی ها بسیار مهم است. محصولات منتخب برای شش دارایی تعریف شده برای آزمایش طولانی مدت استراتژی تجارت با داده های قیمت تاریخی ، در جدول 4 مشاهده می شود.

هنگام انتخاب دارایی ها ، اطمینان حاصل شد که سری زمانی تاریخی می تواند با همان ارز (یورو) تهیه شود. علاوه بر این ، اطمینان حاصل شد که محصولات سرمایه گذاری حداقل برای ده سال وجود داشته و در عین حال حجم حداقل 500 میلیون یورو دارند. از آنجا که تقریباً در دوره آزمون استراتژی ما بازپرداخت نقدی وجود ندارد (24 اوت 2011-10 فوریه 2022) ، بازده پول نقد در استراتژی تجارت ما 0 ٪ فرض می شد.

2. 4رویه و برنامه نویسی استراتژی تجارت

از زبان برنامه نویسی R برای ساخت وزن دارایی اولیه و استراتژی تجارت استفاده شد. سری زمانی تاریخی کلیه دارایی ها از وب سایت عمومی در دسترس https://de. finance. yahoo. com/ (دسترسی به 22 فوریه 2022) بدست آمد. داده های تاریخی صندوق Deka از وب سایت در دسترس عموم Deka (Dekabank 2022) بدست آمد. برای داده های قیمت دارایی تاریخی ، فقط قیمت نزدیک استخراج شد. قیمت نزدیک نشان دهنده قیمت بسته شدن مربوطه در پایان یک روز معاملاتی است. برای اطمینان از مقایسه سری زمانی دارایی ، "مقادیر NA" از همه سری زمانی حذف شد. در نتیجه ، سری زمانی مربوطه از تمام دارایی ها از طول مساوی برخوردار است.

استراتژی معاملاتی مبتنی بر تعادل مجدد وزن دارایی ها بر اساس پیش بینی نوسانات است. هزینه های معامله و مالیات در نظر گرفته نمی شود. دوره ای که این استراتژی با استفاده از سری زمانی دارایی تاریخی بررسی می شود ، از 24 اوت 2011 تا 1 فوریه 2022 متغیر است.

رویه شرح داده شده در زیر درک اساسی از استراتژی تجارت ، مدل ها و روشهایی که برای این منظور استفاده کردیم ، ارائه می دهد. روش دقیق استراتژی در یک روز تعادل در بخش 2. 5 به تفصیل شرح داده شده است.

اولین قدم تنظیم پرتفوی های متشکل از دارایی های نشان داده شده در جدول 4 با وزن دارایی اصلاح شده رفتاری مربوطه بود. پس از آن ، لازم بود که یک پنجره زمانی پیش بینی شده را بر اساس آن روزهای تغییر مکان مشخص شود. در این حالت ، جابجایی دارایی ها هر 20 روز یکبار انجام می شد. این پنجره زمانی انتخاب شد زیرا کار با مدت زمان طولانی تر ، به عنوان مثال 50 یا 100 روز ، بعید است که نتایج قابل اعتماد را ارائه دهد. دلیل این امر این است که R نمی تواند به طور قابل اعتماد نوسانات دارایی ها را شبیه سازی کند و در نتیجه نمی تواند بازده آینده را برای 50 یا 100 روز به آینده شبیه سازی کند. در مرحله بعد ، این استراتژی برای 750 روز اول به تخصیص دارایی اصلاح شده رفتاری مربوطه تنظیم شد. این همچنین وزن اولیه شش دارایی را تعیین کرد. در نتیجه ، اولین روز تعادل روز معامله 751 بود. پنجره زمان 750 روز معاملاتی انتخاب شد زیرا بازده 20 روز آینده بر اساس نوسانات 750 روز معاملات گذشته تخمین زده شد.

بهینه سازی وزن دارایی از این رو می تواند در روز 751 امین آغاز شود. علاوه بر شش دارایی ذکر شده در جدول 4 ، این استراتژی همچنین می تواند دارایی های نمونه کارها یا بخشی از آن را در دارایی اضافی "پول نقد" مجدداً جابجا و نگه دارد. سطح ضرر و سطح ریسک در کد استراتژی ساخته شده است. این دو معیار برای تعیین اینکه آیا این استراتژی باید به روشی کم خطر یا پرخطر عمل کند ، استفاده شد. در مورد وزن دارایی اولیه در معرض خطر پایین ، هر دو مقدار به 0. 05 تنظیم شدند. این بدان معناست که این استراتژی برای از دست دادن 5 ٪ در 95 ٪ از بهترین موارد (بازده احتمالی آینده) در یک سال آماده شده است. برای وزن دارایی های خطرناک در ابتدا ، هر دو مقدار به 0. 10 افزایش یافته است.

این استراتژی دارایی ها را در یک روز متعادل سازی مجدد بر اساس بازده پیش بینی شده شش دارایی در 20 روز معاملاتی آینده متعادل کرد. اینها بر اساس نوسانات تاریخی دارایی مربوطه در 750 روز معاملاتی گذشته برای 1000 مسیر (احتمال) برآورد شده است. پس از شبیه سازی، 1000 احتمال برای هر یک از شش دارایی وجود داشت که دارایی مربوطه در 20 روز معاملاتی چه قیمتی می تواند داشته باشد. انتخاب از هر یک از 1000 احتمال شبیه سازی شده برای هر دارایی با کمک یک بهینه ساز جهانی انجام شد که بازده احتمالی 20 روز معاملاتی بعدی هر دارایی را به حداکثر می رساند. برای این منظور از بهینه ساز Deoptim استفاده شد که به طور معمول تابعی که باید بهینه شود را به حداقل می رساند (Ardia et al. 2021). از آنجایی که در این مورد به دنبال حداکثر بود، باید علامت بهینه ساز را تغییر دهیم. بهینه ساز جهانی باید بازده را تحت دو محدودیت برنامه ریزی شده دستی به حداکثر برساند (Fink 2021). از یک طرف، یک شرط ارزش در معرض خطر، که به سطح ریسک و سطح زیان بستگی دارد، باید برآورده شود. این شرط هدف را دنبال می کند که سطح ضرر کاهش نیابد. از سوی دیگر، وزن دارایی ها نباید از مقدار 1 تجاوز کند. این شرط تضمین می کند که استراتژی بدون موقعیت های اهرمی کار می کند.

هنگام برنامه ریزی یک استراتژی معاملاتی که برای یک سبد دارایی چندگانه اعمال می شود، ساختارهای وابستگی دارایی های فردی از اهمیت تعیین کننده ای برخوردار است. اینها با استفاده از مدل های Vine Copula هنگام شبیه سازی بازده آینده مدل سازی می شوند. توضیح دقیق استفاده از این مدل های Vine Copula و همچنین شرح گام به گام نحوه پیشبرد استراتژی در یک روز متعادل سازی مجدد، در زیرفصل بعدی ارائه شده است.

2. 5. رویه استراتژی معاملاتی در روز تعادل مجدد

استراتژی معاملاتی هر 20 روز معاملاتی دارایی ها را مجدداً تغییر می دهد. جابجایی مبتنی بر پیش بینی بازده توسط استراتژی برای 20 روز معاملاتی آینده ، که تخمین زده می شود ، بر اساس نوسانات 750 روز معاملاتی گذشته است. نوسانات کوتاه مدت اوراق بهادار برای یک سرمایه گذار بلند مدت برای تعیین وزن دارایی برای حداکثر بازده زیر سطح ریسک مورد نظر و سطح از دست دادن یک اندازه گیری خطر مناسب نیست (Moreira and Muir 2017). از آنجا که این استراتژی با هدف موفقیت آمیز در طولانی مدت ، بازده های آینده بر اساس نوسانات 750 روز گذشته معاملات (3 سال) در اینجا شبیه سازی می شوند. فرض بر این بود که دارایی ها تصادفی بوده و ساختارهای وابسته به هم دارند. این ساختارهای وابستگی هنگام شبیه سازی بازده احتمالی 20 روز معاملاتی آینده باید ادامه یابد و بنابراین با استفاده از مدل های کوپول تاک مدل می شوند. توضیحات زیر در مورد این روش به یک روز تعادل اشاره دارد. بر این اساس ، این مراحل هر 20 روز معاملاتی تکرار می شد. در یکی دیگر از روزهای تجارت ، هیچ تعادل برقرار نشده و فقط روند ثروت در این روز محاسبه شد.

در یک روز تعادل ، بازده ورود به 750 روز گذشته معاملات به صورت دستی با یک حلقه برای هر دارایی محاسبه می شود. این در مجموع 749 برگه ورود به سیستم در هر دارایی است.

در مرحله بعد ، یک مدل Garch (1،1) ایجاد می شود که مدل توزیع آن توزیع T دانش آموز است. این مدل GARCH برای شبیه سازی خوشه های نوسانات آینده دارایی ها استفاده می شود (Fink 2021).(اندرسن و همکاران 2003) در سال 2003 نشان داده اند که پارامتر احتمال شبه حداکثر توسط یک مدل گارچ (1،1) از Engle (1982) و Bollerslev (1986) تخمین زده می شود.